基于Ｇａｂｏｒ变换的人脸疲劳序列模式识别系统技术方案

基于Ｇａｂｏｒ变换的人脸疲劳序列模式识别系统，包括四个部分：基于Ｇａｂｏｒ变换的人脸图像特征抽取；基于数据挖掘技术的人脸疲劳序列模式挖掘；基于滑动时间窗技术的人脸图像序列抽取；基于模式匹配技术的人脸疲劳序列模式识别。本发明专利技术以通过监视器连续采集到的人脸图像数据流作为数据源，基于Ｇａｂｏｒ变换，结合序列模式挖掘技术，提出了一种基于Ｇａｂｏｒ变换的人脸疲劳序列模式识别模型，基于该模型的人脸疲劳序列模式识别系统能有效识别驾驶员的疲劳状态。

【技术实现步骤摘要】
基于Gabor变换的人脸疲劳序列模式识别系统
本专利技术属于信息技术应用领域，具体是指一种基于Gabor变换的人脸疲劳序列模 式识别系统。
技术介绍
根据美国联邦调查局显示，20%-30%的交通事故都是由于疲劳驾驶所引起的，驾 驶员疲劳检测技术的研究对于预防交通事故有着重要意义。目前驾驶员疲劳检测研究方法可以分成两大类，一类是从驾驶员自身特征出发， 通过某种设备获取驾驶员的生理参数特征或者视觉特征，利用驾驶员在正常状态和疲劳状 态的特征模式不同，采用相应的模式识别技术进行分类判别，从而检测到是否有疲劳产生； 另一类是根据车辆的行为表现间接判断驾驶员是否产生疲劳，在这类技术中，通过传感器 获取车辆在行驶过程中的各种参数，根据车辆行驶过程中的异常情况，如车辆是否超过道 路标识线，速度是否超速，车辆之间的距离是否太近等，通过车辆的异常情况判断驾驶员是 否有疲劳产生。基于视觉特征的疲劳检测技术是利用摄像机和计算机视觉、数字图像处理，模式 识别等技术对视觉特征进行分类识别。当驾驶员疲劳时会出现眼睑运动速度变慢，眼睛睁 开幅度变小，眼睛凝视方向狭窄甚至闭眼等，有的会有频繁点头、打呵欠等，因此可以通过 研究眼睑眨动、眼球运动、头部的位移面部表情等视觉特征进行疲劳检测，而且这种检测方 法是非接触式的，不会给驾驶员带来负担。Gabor小波的核函数与人类视觉系统中简单细胞的视觉刺激响应非常相似，有很 好的空间局部性和方向选择性特征。它在提取目标的局部空间和频率域信息方面具有良好 的特性。Gabor小波对于图像的边缘敏感，能够提供良好的方向选择和尺度选择特性，且对 于光照变化不敏感，由于他们的生物相关性和计算特性，因此Gabor小波被广泛应用于不 同的图像处理应用中，如人脸识别，表情识别等。但目前已有的基于Gabor变换的驾驶员疲 劳状态识别系统一般是基于监视器采集到的单幅脸部图形特征来判别驾驶员是否处于疲 劳驾驶状态，从而导致误判率很高，例如驾驶员偶尔打一个哈欠并不代表其真正的疲劳。
技术实现思路
本专利技术所要解决的技术问题在于提供一种能有效识别驾驶员是否疲劳的基于 Gabor变换的人脸疲劳序列模式识别系统。本专利技术采用以下技术方案解决上述技术问题基于Gabor变换的人脸疲劳序列模式识别系统，该系统包括四个部分基于Gabor变换的人脸图像特征抽取利用监视器对驾驶员的脸部图像进行采 集，并将采集得到的数据存入到统一的原始图像数据库中，然后，基于Gabor变换对每一幅 原始脸部图像进行特征抽取，得到对应的人脸特征向量表示，构造人脸特征表示库；基于数据挖掘技术的人脸疲劳序列模式挖掘对采集到的用于疲劳特征序列模式训练的驾驶员脸部疲劳图像序列，通过基于Gabor变换的人脸图像特征抽取，形成驾驶员 脸部疲劳特征向量序列，进而构造疲劳特征序列模式训练数据库S，然后，在此基础上，基于 序列模式挖掘技术挖掘出驾驶员脸部疲劳特征序列模式；基于滑动时间窗技术的人脸图像序列抽取利用给定的用于分段采样的滑动时间 窗Δ T，对监视器实时监控到的驾驶员脸部图像数据流进行采样，形成时间跨度为ΔΤ的采 样脸部图像序列，并通过基于Gabor变换的人脸图像特征抽取，形成驾驶员脸部采样特征 向量序列；基于模式匹配技术的人脸疲劳序列模式识别将得到的驾驶员脸部采样特征向量 序列，与利用基于序列模式挖掘技术挖掘出的驾驶员脸部疲劳特征序列模式，进行序列模 式匹配，从而判定当前驾驶员是否处于疲劳状态。所述基于Gabor变换的人脸图像特征抽取包括假定一副人脸图像为I (x，y)，则 可通过Gabor变换得到该图像在方向u与尺度ν下的Gabor表示为Gv，u (x，y)，其中u e ，ν e 。然后，假定每幅人脸图像的宽度和高度相同，分别为W 和H，通过宽度和高度分别为Lx和Ly的采样窗口，可将整幅人脸图像剖分为T ( = T0^T1)个小的矩形子图{Lwre }，其中:T0=+1 ,Γ, =。选择每个矩形子图的中心点yi,r)作为样本点，从而可将矩形子图LiJ在方向U与尺度V 下的特征值GmrOq.r，Yi, r)。令 测脸部图像η在方向u与尺度ν下的特征可表示为一个T维0-1向量 再令 ，则脸部图像Ii在尺度ν下的特征可在经过方向融合之后进一步表示为一个T维0-1向量Vi, ν = (Di,.,ο, Diiva, · · ·，Du1)，最后，令不，V={v,’则脸部图像Ii可最终表示为一个S-I维的多尺度特征向量. 由此，任意一个给定的 人脸图像序列S = <I0, I1, ...，Ilri)可表示为一个多尺度特征向量序列fc/K，.,.,/::〉。所述基于数据挖掘技术的人脸疲劳序列模式挖掘包括对训练集中的每个驾驶 员疲劳图像序列又=(…》..，力>，利用基于Gabor变换的人脸图像特征抽取方 法表示成对应的疲劳特征向量序列《=<■ ,(,...,/,L-P。然后，假定图像t 对应的拍摄时间分别为TQ，T1, ... J,、々 =F^maxiroJi,■··, 7"..,」.} ’则选择二表示 st的序号，从而可得到疲劳特征序列模式训练数据库ρ (<n:V5.>)；在此基础上，基于一个给定的支持度阀值mirusupport，对任意序列α，定义其在5中的支持度计算方式为 support(a,i) = |{<0:·>|(<0 e )Λ(α〔::;)}|’若supporl(ot—、)2min—support,则称α为一个疲劳序列模式，长度为1的疲劳序列模式简称为1-疲劳序列模式。最后，基 于序列模式挖掘技术，即可挖掘出疲劳特征序列模式训练数据库 中的所有疲劳序列模式 Ψ ；所述基于滑动时间窗技术的人脸图像序列抽取包括假定监视器连续实时采 集到的驾驶员脸部图像数据流为I1, 12，...，Ij,...，定义滑动时间窗大小为时间间隔 ΔΤ，则通过该滑动时间窗即可将上述监视器连续实时采集到的驾驶员脸部图像数据流 分段为离散的驾驶员脸部图像序列；然后，即可针对得到的任意驾驶员脸部图像序列 乃, ‘K,…，，利用基于Gabor变换的人脸图像特征抽取方法表示成对应 的特征向量序列二‘；所述基于模式匹配技术的人脸疲劳序列模式识别包括针对上述得到的当前驾 驶员脸部图像特征向量序列基于模式匹配的方法，将ΓΓ与挖掘得到的疲劳序列模式集 合ψ中的每个疲劳序列模式进行对比，若存在一个Ψ中的疲劳序列模式β为二的子序 列，则通过监视器发布告警信息，提示驾驶员当前已处于疲劳状态。其中，一个序列S = <Sl，S2, . . , Sl>称为另一个序列t = <ti; t2，. . .，tm>的子序列，当且仅当存在一系列整数 1 ^ J1 ^ j2 ^ ... ^ J1 ^ m，使得 本专利技术的优点在于以监视器连续实时采集到的驾驶员脸部图像数据流数据作为 数据源，基于Gabor变换与数据挖掘技术，提出了一种可快速有效地判定驾驶员当前是否 处于疲劳驾驶状态的人脸疲劳序列模式识别模型，基于该模型的人脸疲劳序列模式识别系 统能实时有效地监控驾驶员当前是否处于疲劳驾驶状态。在该方法中，不是单纯基于单幅 脸部图形特征来判别驾驶员是否处于疲劳驾本文档来自技高网...

【技术保护点】
基于Ｇａｂｏｒ变换的人脸疲劳序列模式识别系统，其特征在于：该系统包括四个部分：基于Ｇａｂｏｒ变换的人脸图像特征抽取：利用监视器对驾驶员的脸部图像进行采集，并将采集得到的数据存入到统一的原始图像数据库中，然后，基于Ｇａｂｏｒ变换对每一幅原始脸部图像进行特征抽取，得到对应的人脸特征向量表示，构造人脸特征表示库；基于数据挖掘技术的人脸疲劳序列模式挖掘：对采集到的用于疲劳特征序列模式训练的驾驶员脸部疲劳图像序列，通过基于Ｇａｂｏｒ变换的人脸图像特征抽取，形成驾驶员脸部疲劳特征向量序列，进而构造疲劳特征序列模式训练数据库Ｓ，然后，在此基础上，基于序列模式挖掘技术挖掘出驾驶员脸部疲劳特征序列模式；基于滑动时间窗技术的人脸图像序列抽取：利用给定的用于分段采样的滑动时间窗ΔＴ，对监视器实时监控到的驾驶员脸部图像数据流进行采样，形成时间跨度为ΔＴ的采样脸部图像序列，并通过基于Ｇａｂｏｒ变换的人脸图像特征抽取，形成驾驶员脸部采样特征向量序列；基于模式匹配技术的人脸疲劳序列模式识别：将得到的驾驶员脸部采样特征向量序列，与利用基于序列模式挖掘技术挖掘出的驾驶员脸部疲劳特征序列模式，进行序列模式匹配，从而判定当前驾驶员是否处于疲劳状态。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王雷，蒋新华，杨海燕，王桐森，
申请(专利权)人：福建工程学院，
类型：发明
国别省市：35[中国|福建]